prediksi konsumsi energi listrik menggunakan metode...
TRANSCRIPT
-
Prediksi Konsumsi Energi Listrik Menggunakan Metode
Jaringan Syaraf Tiruan Recurrent di PLN APJ Salatiga
Skripsi
diajukan sebagai salah satu persyaratan untuk memperoleh gelar
Sarjana Pendidikan Program Studi Pendidikan Teknik Elektro
Oleh
Agus Rifais
NIM. 5301414031
PENDIDIKAN TEKNIK ELEKTRO
JURUSAN TEKNIK ELEKTRO
FAKULTAS TEKNIK
UNIVERSITAS NEGERI SEMARANG
SEMARANG
2018
-
ii
-
iii
-
iv
-
v
MOTTO DAN PERSEMBAHAN
Hidup bukanlah menunggu badai hilang, namun hidup adalah
bagaimana cara kita untuk dapat menari di tengah badai
Karena saya percaya bahwa keajaiban datang karena kesiapan
bertemu dengan kesempatan
Skripsi ini kupersembahkan untuk :
1. Alm bapak yang saya sayang dan ibu
tercinta yang tiada henti mendoakan dan
memberikan segalanya.
2. Kakak yang selalu mensupport segala apa
yang saya lakukan.
3. Teknik Elektro Fakultas Teknik Universitas
Negeri Semarang.
-
vi
ABSTRAK
Rifais, Agus. 2019. Prediksi Konsumsi Energi Listrik Menggunakan Metode
Jaringan Syaraf Tiruan Recurrent di PLN APJ Salatiga. Skripsi. Jurusan Teknik
Elektro Fakultas Teknik Universitas Negeri Semarang. Drs. Isdiyarto, M.Pd.
Tujuan penelitian ini adalah untuk memprediksi energi listrik yang
dibutuhkan di PLN APJ Salatiga dan untuk mengetahui tingkat ketepatan
prediksi. Model yang digunakan pada penelitian ini adalah menggunakan
algoritma Jaringan Syaraf Tiruan Recurrent dengan variabel input yaitu total
energi listrik dengan 2 layer dan menghasilkan output hasil prediksi total energi
listrik tahun 2023 di PLN APJ Salatiga.
Metode penelitian yang digunakan adalah eksperimen. Data penelitian
diambil dari data time series penggunaan energi listrik di PLN APJ Salatiga pada
bulan januari tahun 2013 hingga desember tahun 2017. Kemudian data tersebut
dibagi menjadi 2 yaitu 60% untuk pelatihan dan 40% untuk pengujian. Hasil
analisa menunjukkan bahwa algoritma jaringan syaraf tiruan recurrent akurat
untuk digunakan sebagai prediksi. Hal ini terlihat dari nilai MSE terkecil adalah
0.8 dan jika dibandingkan dengan hasil prediksi dari PLN Salatiga tingkat
kesalahan 5.57%. Hasil peramalan dengan menggunakan metode Jaringan
Syaraf Tiruan Recurrent secara berturut-turut mulai bulan januari 2023 sampai
dengan bulan desember 2023 sebesar 129191587.0 KWH, 129203477.8 KWH,
128234717.5 KWH, 130613599.4 KWH, 130377032.8 KWH, 128298753.9
KWH, 131946695.8 KWH, 133865770.4 KWH, 127912600.6 KWH,
129523304.5 KWH, 129997513.8 KWH, 134739847.8 KWH.
Kata kunci : Prediksi, Energi, Jaringan Syaraf Tiruan, Recurrent
-
vii
KATA PENGANTAR
Puji syukur khadirat Allah SWT atas segala rahmat dan ridho-Nya sehingga
penyusunan skripsi yang berjudul โPrediksi Konsumsi Energi Listrik Menggunakan
Metode Jaringan Syaraf Tiruan Recurrent di PLN APJ Salatigaโ dapat diselesaikan
dengan baik. Skripsi ini disusun dalam rangka penyelesaian studi S1 untuk
memperoleh gelar sarjana pendidikan. Penulis menyadari bahwa dalam penyusunan
skripsi ini tidak terlepas dari bantuan oleh banyak pihak. Untuk itu penulis
menyampaikan ucapan terima kasih kepada :
1. Ibu Rosidah dan Alm Bapak Muh Yayuli selaku orang tua tercinta, atas segala doa,
dukungan dan bimbingan yang telah diberikan dan tak terhitung banyaknya
sehingga ananda dapat menyelesaikan skripsi ini,
2. Prof.Dr.Fathur Rokhman, M.Hum selaku Rektor Universitas Negeri Semarang,
3. Dr. Nur Qudus, M.T. selaku Dekan Fakultas Teknik Universitas Negeri Semarang.
4. Bapak Dr.-Ing. Dhidik Prastiyanto, S.T., M.T., selaku Ketua Jurusan Teknik
Elektro UNNES yang telah memberikan banyak motivasi serta dukungan,
5. Bapak Drs. Agus Suryanto, M.T., selaku Sekretaris Jurusan Teknik Elektro
UNNES,
6. Bapak Drs. Isdiyarto M.Pd. selaku Dosen Pembimbing yang telah memberikan
banyak bimbingan, arahan, nasehat serta motivasi dalam penyusunan skripsi ini,
7. Teman dari Mahasiswa Baru sampai sekarang yaitu PTE UNNES 2014 yang sangat
menginspirasi.
8. Putri Azizah yang menjadi supporting sistem, selalu memberi motivasi dan
membantu dalam banyak hal.
9. Teman dari ngadikin indekos yang bersedia menjadi tempat bermalam selama 4
tahun
-
viii
10. Teman-teman BEM KM UNNES 2015 yang telah memberi banyak pengalaman
dan motivasi.
11. Kawan-kawan HIMPROTE 2016 dan ESC 2016 yang memberi banyak sekali
pengalaman dan ilmu.
12. Teman seperjuangan BEM FT UNNES 2017 yang membuat saya menjadi pribadi
lebih baik lagi.
13. Teman diskusi BEM KM UNNES 2018 yang selalu memberi ceramah dan pantikan
motivasi.
14. Anak-anak saya di departemen SINEMA BEM FT UNNES 2017 dan Kementrian
Dalam Negeri BEM KM UNNES 2018 yang membuat saya belajar banyak hal.
15. Teman PPL dan KKN yang membantu dan memberi pantikan semangat.
16. Teman Duta Gethuk Magelang yang menjadi sahabat dari daerah asal.
Akhirnya semua kembali kepada Allah SWT. Semoga semua usaha dan bantuan
yang telah dilakukan diterima sebagai amal ibadah, dan semoga skripsi ini dapat
bermanfaat.
Semarang, 13 Desember 2018
Penulis
-
ix
DAFTAR ISI
HALAMAN JUDUL ..................................................................................................... i
LEMBAR PERSETUJUAN PEMBIMBING ............................................................... ii
LEMBAR PENGESAHAN ........................................................................................ iii
LEMBAR PERNYATAAN KEASLIAN .................................................................... iv
MOTTO DAN PERSEMBAHAN ................................................................................ v
ABSTRAK ................................................................................................................... vi
KATA PENGANTAR ................................................................................................ vii
DAFTAR ISI ............................................................................................................... ix
DAFTAR TABEL ....................................................................................................... xii
DAFTAR GAMBAR ................................................................................................ xiii
DAFTAR LAMPIRAN .............................................................................................. xv
BAB I PENDAHULUAN ............................................................................................. 1
1.1 Latar Belakang .................................................................................................... 1
1.2 Identifikasi Masalah ........................................................................................... 5
1.3 Pembatasan Masalah ........................................................................................... 5
1.4 Rumusan Masalah .............................................................................................. 6
1.5 Tujuan Penelitian ................................................................................................. 6
1.6 Manfaat Penelitian ............................................................................................... 6
BAB II KAJIAN PUTAKA DAN LANDASAN TEORI ............................................. 8
2.1 Kajian Pustaka ..................................................................................................... 8
2.2 Landasan Teori .................................................................................................. 12
-
x
2.2.1 Prediksi ...................................................................................................... 12
2.2.2 Beban Konsumsi Listrik ............................................................................ 15
2.2.3 Beban Listrik ............................................................................................. 17
2.2.4 Daya Listrik ............................................................................................... 25
2.2.5 Energi Listrik ............................................................................................. 26
2.2.6 Konsumsi Energi Listrik ............................................................................ 30
2.2.7 Alat Ukur Energi Listrik ............................................................................ 31
2.2.8 Jaringan Syaraf Tiruan ............................................................................... 33
2.2.9 Algoritma Pembelajaran ............................................................................ 38
2.2.10 Fungsi Aktivasi ........................................................................................ 40
2.2.11 Komponen Jaringan Syaraf Tiruan .......................................................... 41
2.2.12 Jaringan Syaraf Tiruan Recurrent ............................................................. 43
2.2.13 Matlab R2014a ......................................................................................... 47
BAB III METODE PENELITIAN ............................................................................. 50
3.1 Waktu dan Tempat Pelaksanaan ....................................................................... 50
3.2 Desain Penelitian .............................................................................................. 50
3.3 Alat dan Bahan ................................................................................................. 55
3.4 Parameter Penelitian ......................................................................................... 55
3.5 Teknik Pengumpulan Data Penelitian .............................................................. 55
3.6 Teknik Analisis Data ........................................................................................ 56
BAB IV HASIL DAN PEMBAHASAN .................................................................... 67
4.1 Deskripsi Data ................................................................................................... 67
-
xi
4.2 Analisis Data ..................................................................................................... 67
4.3 Pembahasan ...................................................................................................... 77
BAB V PENUTUP ...................................................................................................... 80
5.1 Kesimpulan ........................................................................................................ 80
5.2 Saran ................................................................................................................. 80
Daftar Pustaka ............................................................................................................ 81
Daftar Lampiran .......................................................................................................... 86
-
xii
DAFTAR TABEL
Tabel 4.1 Data Konsumsi Energi Listrik PLN APJ Salatiga tahun 2013 s.d. 2015 .... 68
Tabel 4.2 Data Konsumsi Energi Listrik PLN APJ Salatiga Tahun 2016 s.d. 2017 ... 69
Tabel 4.3 Hasil Prediksi Menggunakan Neurons 24 ................................................... 72
Tabel 4.4 Perbandingan Hasil Prediksi ...................................................................... 73
Tabel 4.5 Data Prediksi energi listrik bulan januari 2023 sampai dengan desember
2023 ............................................................................................................ 74
Tabel 4.6 Perbandingan Hasil Prediksi dengan RUTL PLN APJ Salatiga ................. 74
-
xiii
DAFTAR GAMBAR
Gambar 2.1 Rangkaian Beban Resistif ....................................................................... 17
Gambar 2.2 Diagram Fasor Beban Resistif................................................................. 18
Gambar 2.3 Rangkaian Beban Induktif ...................................................................... 19
Gambar 2.4 Diagram Fasor Beban Induktif ................................................................ 19
Gambar 2.5 Rangkaian Beban Kapasitif ..................................................................... 20
Gambar 2.6 Diagram Fasor Beban Kapasitif .............................................................. 21
Gambar 2.7 Rangkaian Beban RLC ............................................................................ 22
Gambar 2.8 Diagram Fasor Beban RLC Induktif ....................................................... 23
Gambar 2.9 Diagram Fasor Beban RLC Kapasitif ..................................................... 24
Gambar 2.10 Segitiga Daya ....................................................................................... 26
Gambar 2.11 Arah Perpindahan Energi Listrik .......................................................... 28
Gambar 2.12 Prinsip KWH ......................................................................................... 32
Gambar 2.13 Jaringan Layer Tunggal ........................................................................ 36
Gambar 2.14 Jaringan Layer Jamak ........................................................................... 37
Gambar 2.15 Arsitektur Jaringan Syaraf Tiruan Recurrent ........................................ 38
Gambar 2.16 Struktur Neuron Jaringan ..................................................................... 43
Gambar 2.17 Koneksi Antar Layer Jaringan Syaraf Tiruan Recurrent ....................... 46
Gambar 3.1 Flowchart Penelitian ................................................................................ 51
Gambar 3.2 Arsitektur Jaringan Syaraf Tiruan Recurrent .......................................... 52
Gambar 3.3 Algoritma Jaringan Syaraf Tiruan Recurrent ......................................... 54
Gambar 3.4 Comman Window .................................................................................... 58
-
xiv
Gambar 3.5 Toolbox Neural Network ........................................................................ 58
Gambar 3.6 Toolbox Import Data .............................................................................. 59
Gambar 3.7 Menu Create Network ............................................................................. 60
Gambar 3.8 Jaringan yang Akan Dijalankan .............................................................. 61
Gambar 3.9 Training Info ........................................................................................... 62
Gambar 3.10 Training Parameters ............................................................................. 63
Gambar 3.11 Training Tool ........................................................................................ 64
Gambar 3.12 Training Peformance ............................................................................ 65
Gambar 3.11 Diagram Alur Proses Jaringan Syaraf Tiruan Recurrent ...................... 61
Gambar 4.1 Hasil Pelatihan Dengan Menggunakan Neurons 12 ................................ 70
Gambar 4.2 Hasil Pelatihan Dengan Menggunakan Neurons 18 ................................ 71
Gambar 4.3 Hasil Pelatihan Dengan Menggunakan Neurons 24 ................................ 71
Gambar 4.4 Grafik Hasil Prediksi Energi Listrik ....................................................... 75
-
xv
DAFTAR LAMPIRAN
Lampiran 1. Data Energi Listrik PLN APJ Salatiga Tahun 2013 Sampai Dengan
Tahun 2017 ............................................................................................. 86
Lampiran 2. Langkah-langkah Untuk Melakukan Prediksi Menggunakan Matlab
R2014a .................................................................................................. 89
Lampiran 3. Tingkat Errors ........................................................................................ 99
Lampiran 4. Pemrograman Matlab .......................................................................... 100
Lampiran 5. Perizinan Penelitian dari PLN APJ Salatiga ........................................ 105
Lampiran 6. Form Usulan Topik Skripsi .................................................................. 106
Lampiran 7. Form Pengajuan Judul .......................................................................... 107
Lampiran 8. Form Surat Tugas Pembimbing ............................................................ 108
Lampiran 9. Form Permohonan Izin Penelitian ....................................................... 109
Lampiran 10. Form Jawaban Permohonan Izin Penelitian ....................................... 110
-
1
BAB I
PENDAHULUAN
1.1 Latar Belakang
Energi listrik merupakan kebutuhan yang mendesak dan sangat penting bagi
kehidupan manusia karena energi listrik tidaklah praktis untuk disimpan dan
kegunaanya sangat mendukung banyak aspek kehidupan seperti dalam segi ekonomi,
pendidikan, sosial, kebudayaan dan lain-lain. (Kuncoro, 2005).
Secara umum pemenuhan kebutuhan listrik dalam kehidupan merupakan suatu
kebutuhan mendasar yang harus dipenuhi oleh manusia. Pada negara maju seperti
Indonesia, aktifitas yang membutuhkan tenaga listrik dari waktu ke waktu akan
mengalami peningkatan. Hal ini dikarenakan tenaga listrik sudah menjadi bagian
penting untuk keberlangsungan kehidupan manusia. Menurut Peraturan Pemerintah RI
nomor 14 tahun 2012, pada pasal 1 ayat 5 dijelaskan bahwa konsumen adalah setiap
orang atau badan yang membeli tenaga listrik dari pemegang ijin usaha penyedia tenaga
listrik dan pada ayat 6 diterangkan bahwa usaha penjualan tenaga listrik adalah
kegiatan usaha penjualan listrik kepada konsumen. Berdasar dari peraturan pemerintah
tersebut, maka dapat disimpulkan bahwa hubungan antara konsumen dan penyedia
listrik (PLN) sangatlah penting.
Menurut (RUTPLN, 2016) Pada lima tahun terakhir 2011-2016 penjualan
tenaga listrik meningkat berkisar rata-rata yaitu 8.1% pertahun, yang mana di wilayah
Jawa-Bali penjualan tenaga listrik pada lima tahun terakhir meningkat berkisar rata-
rata 7.5%.
-
2
Jumlah populasi manusia yang terus mengalami peningkatan mengakibatkan
jumlah pelanggan tenaga listrikpun ikut meningkat. Realisasi jumlah pelanggan tenaga
listrik selama 2010-2014 mengalami peningkatan dari 42.2 juta menjadi 57.2 juta atau
jumlah pelanggan terus meningkat rata-rata 3.5 juta setiap tahunya, yang mana rata-
rata paling banyak menyumbang peningkatan jumlah pelanggan yaitu dari sektor
rumah tangga, yaitu rata-rata 3.2 juta pelanggan pertahun, lalu diikuti sektor bisnis
dengan rata-rata 140 ribu pelanggan pertahun, sedangkan sektor publik rata-rata 82 ribu
pelanggan pertahun, dan terakhir adalah sektor industri dengan rata-rata 2 ribu
pelanggan pertahun. (RUTLPLN, 2016)
Jumlah pelanggan yang terus mengalami peningkatan baik dalam sektor rumah
tangga, sektor bisnis, sektor publik, maupun sektor industri merupakan penyebab
utama yang mengharuskan PT PLN (Perusahaan Listrik Negara) selaku penyalur daya
listrik melakukan perencanaan operasi dan perencanaan sistem pengembangan tenaga
listrik untuk memenuhi besar daya listrik yang harus disalurkan ke konsumen agar daya
yang disalurkan oleh PLN tepat sasaran dan tepat ukuran.(Kristiana, 2015)
PLN sebagai penyedia dan penyalur utama daya listrik dari pembangkit menuju
ke tujuan (konsumen) seharusnya menyesuaikan kebutuhan daya yang dibutuhkan
konsumen. Seimbangnya transaksi antara sisi demand (konsumen) dan sisi suplay
(PLN) akan mengurangi tingkat kerugian yang akan ditanggung baik dari pihak
penyedia maupun dari pihak konsumen. Maka dari itu, PLN sebagai jasa penyedia daya
listrik haruslah memiliki perencanaan yang digunakan untuk memprediksi konsumsi
daya listrik guna ketepatan proses penyediaan daya listrik dan mengurangi tingkat
-
3
kerugian dikedua belah pihak. Dengan begitu kejadian seperti kelebihan yang berakibat
pada pemborosan yang ditanggung PLN maupun kekurangan yang akan berdampak
pada pemadaman listrik yang akan dirasakan oleh pihak konsumen tidak terjadi.
Perencana sistem harus pintar melihat kemungkinan-kemungkinan
perkembangan sistem tenaga ditahun-tahun yang akan datang sehingga hasil dari
perencanaan tersebut mampu digunakan untuk memenuhi kebutuhan secara tepat.
Salah satu perencanaan yang dapat dilakukan adalah dengan menghitung prediksi
konsumsi listrik. (Marsiana, 2014).
Karenanya persoalan metode prediksi beban listrik menjadi sangat penting
dalam penyediaan tenaga listrik yang efisien. Banyak pilihan yang dapat digunakan
sebagai referensi untuk perencanaan prediksi kebutuhan energi listrik dimasa
mendatang, baik menggunakan metode konvensional maupun dengan menggunakan
alat bantu aplikasi. Menurut Wiyanti dan Pulungan (2012) prediksi deret waktu saat ini
terbagi menjadi dua, yaitu pertama, model prediksi yang didasarkan pada model
metamatika statistik yaitu Auto Regressive (AR), Moving Average (MA), Exponential
Smoothing, Regresi, dan Auto Regressive Integrated Moving Average (ARIMA atau
Box Jenkins). Sedang yang kedua, model prediksi yang didasarkan pada kecerdasan
buatan seperti Neural Network, Algoritma Genetika, Simulated Annealing, Genetic
Progamming, Klasifikasi dan Hibrid.
Analisis time series dan forecasting adalah bidang penelitian yang aktif.
Keakuratan hasil analisis dalam time series dan forecasting adalah hal penting yang
menentukan pengambilan keputusan. Contoh penelitian yang menggunakan analisis
-
4
time series adalah statistik, jaringan syaraf, wavelet, dan system fuzzy. Penelitian
tersebut pasti memiliki kekurangan dan kelebihan. Zheng dan Zhong (2011).
Menurut Pramudya,dkk (2015), Jaringan syaraf tiruan Recurrent Neural
Network cocok untuk digunakan pada arsitektur jaringan yang memiliki koneksi antar
neuron yang belum ditentukan. Perencanaan prediksi kebutuhan energi listrik pada
masa yang akan datang menggunakan Jaringan Syaraf Tiruan Recurrent mempunyai
banyak pilihan metode yang dapat digunakan untuk membantu melakukan perencanaan
prediksi tersebut diantaranya adalah Pramudya dkk (2015) yang berjudul Perancangan
Pengaturan Durasi Lampu Lalu Lintas Adaptif. Pada penelitian tersebut diperoleh
bahwa hasil uji kinerja sistem terbaik yang dibandingankan dengan fix time sebesar
87.191%. Selain itu juga Maulida (2011) yang berjudul Penggunaan Elman Recurrent
Neural Network Dalam Peramalan Suhu Udara Sebagai Faktor Yang Mempengaruhi
Kebakaran Hutan. Pada penelitian ini diperoleh nilai RMSE dan MAPE sebesar 0.51
dan 1.55%.
Meninjau dari penjelasan sebelumnya dimana konsumsi listrik yang semakin
meningkat maka dibutuhkan prediksi tentang energi listrik yang dimungkinkan akan
dialami pada masa mendatang. Dikarenakan prediksi tentang energi listrik ini sangat
diperlukan maka penulis juga menginginkan agar penelitian ini dapat menghasilkan
sebuah prediksi yang akurat. Pada penelitian ini penulis menggunakan metode Jaringan
Syaraf Tiruan Recurrent. Data yang akan digunakan sebagai bahan penelitian adalah
data energi listrik di PT.PLN (Persero) APJ Salatiga dari bulan Januari 2013 sampai
dengan bulan Desember 2017. Maka peneliti tertarik untuk melakukan penelitian
-
5
dengan judul โPrediksi Konsumsi Energi Listrik Menggunakan Metode Jaringan
Syaraf Tiruan Recurrent di PLN APJ Salatigaโ
1.2 Identifikasi Masalah
Berdasarkan pada latar belakang yang telah dijelaskan, terdapat masalah yang
dapat diidentifikasi yaitu:
1. Penyediaan daya listrik yang tepat dan mempunyai kualitas yang baik menjadi
masalah komplek yang harus diselesaikan karena daya listrik yang tidaklah
praktis untuk disimpan, maka dari itu perencanaan (prediksi) dalam proses
penyediaan daya listrik haruslah juga dengan melihat kemungkinan-
kemungkinan yang akan terjadi di masa yang akan datang.
2. Prakiraan energi listrik dapat dilakukan dengan banyak metode, namun
sebaiknya melakukan pengkajian ulang agar nilai error dari metode yang
digunakan tidak melebihi dari toleransi yang diterima oleh penyedia tenaga
listrik yakni sebesar 10%.
1.3 Pembatasan Masalah
Pada penulisan ini, permasalahan dibatasi pada:
1. Ruang lingkup penelitian ini adalah pada wilayah yang dikoordinir oleh
PT.PLN (persero) APJ Salatiga.
2. Data dari PLN APJ Salatiga dari Bulan Januari 2013 sampai dengan
Desember 2017.
-
6
3. Program yang digunakan untuk simulasi menggunakan Matlab 2014a dan
data yang digunakan disimpan di Microsoft Excel (Ms. Excel) dan
workspace pada matlab.
4. Prediksi yang dilakukan adalah prediksi di PLN APJ Salatiga pada bulan
Januari sampai dengan Desember tahun 2023.
1.4 Rumusan Masalah
Dari uraian latar belakang tersebut, maka dapat dirumuskan permasalahan
sebagai berikut:
1. Bagaimanakah hasil prediksi nilai energi listrik di PLN APJ Salatiga
menggunakan metode Jaringan Syaraf Tiruan Recurrent?
2. Bagaimanakah tingkat akurasi dari metode Jaringan Syaraf Tiruan
Recurrent pada prediksi energi listrik di PLN APJ Salatiga?
1.5 Tujuan Penelitian
Tujuan penelitian ini adalah sebagai berikut:
1. Untuk mengetahui hasil prediksi energi listrik di PLN APJ Salatiga
menggunakan metode Jaringan Syaraf Tiruan Recurrent.
2. Untuk mengetahui ketepatan prediksi energi listrik menggunakan metode
Jaringan Syaraf Tiruan Recurrent.
1.6 Manfaat Penelitian
Adapun manfaat dari penelitian ini adalah sebagai berikut:
1. Bagi pengembangan ilmu pengetahuan, diharapkan adanya penelitian ini
dapat menambah dinamika keilmuan dalam teknik prediksi untuk
-
7
menentukan nilai prediksi energi listrik dengan metode Jaringan Syaraf
Tiruan Recurrent.
2. Bagi PLN, diharapkan penelitian ini dapat menjadi bahan pertimbangan
untuk melakukan prediksi nilai energi listrik di PLN APJ Salatiga pada
masa yang akan datang.
3. Bagi pihak-pihak yang ingin melakukan kajian lebih dalam mengenai
teknik prediksi, diharapkan penelitian ini dapat menjadi referensi dan
landasan bagi penelitian selanjutnya.
-
8
BAB II
KAJIAN PUSTAKA DAN LANDASAN TEORI
2.1 Kajian Pustaka
Dari beberapa penelitian terkini yang telah dilakukan untuk memprediksi energi
listrik, peneliti menyimpulkan bahwa penelitian terkini belum tersingkronisasi
tentang tingkat kesalahan yang diahasilkan. Adapun beberapa penelitian tersebut
diantaranya
1. Dodi Setiabudi (2015) dengan judul penelitian Sistem Informasi Peramalan
Beban Listrik Jangka Panjang di Kabupaten Jember Menggunakan JST
Backpropagation, tujuan dari penelitian ini adalah untuk mengetahui beban
puncak di wilayah Kabupaten Jember hingga tahun 2022 namun dalam
penelitian tersebut belum didapatkan nilai real dari output yang diprediksi.
Dengan bantuan jaringan syaraf tiruan dan memanfaatkan metode
Backpropagation beliau melakukan prakiraan dengan 5 variabel input yaitu
populasi, jumlah rumah tangga, pelanggan sektor publik, pelanggan sektor bisnis
dan pelanggan sektor industri dengan target beban puncak selama 10 tahun
hingga tahun 2022 setelah melakukan prakiraan didapatkan hasil dengan nilai
error sebanyak 17,09%.
2. Sugiharto et al (2015: 216-221) dengan judul โSistem Peramalan Stok Obat
Menggunakan Metode Double Exponential Smoothingโ. Tujuan dari penelitian
ini adalah untuk mendapatkan laporan estimasi biaya stok obat sehingga pihak
rumah sakit dapat mengeluarkan anggaran dengan tepat. Penelitian yang
-
9
3. menggunakan metode double exponential smoothing model Holt. Kesimpulan
pada penelitian ini adalah dengan merubah besaran alfa dan beta mulai dari 0.1
sampai dengan 0.4 sehingga peramalan mendapat nilai error terkecil
menghasilkan nilai MSE 4.7908. Jika nilai MSE yang dihasilkan besar dari pada
target error, hal itu disebabkan karena nilai peramalan exponential smoothing
bergantung pada data actual alfa dan beta.
4. Marsiana et al. (2014), dalam jurnalnya yang berjudul โAplikasi Jaringan Syaraf
Tiruan Backpropagation dalam Peramalan Beban Puncak Distribusi Listrik di
Wilayah Pemalangโ. Melakukan penelitian yang bertujuan mengetahui
bagaimana rancangan arsitektur jaringan syaraf tiruan (JST) backpropagation
pada data beban puncak distribusi listrik di Wilayah Pemalang. Arsitektur
dengan menggnakan metode Jaringan Syaraf Tiruan Backpropagation dalam
penelitian ini (1) Membagi data menjadi dua yaitu data harain beban puncak
listrik siang dan data harain beban puncak listrik malam dengan presentase data
pelatihan adalah 70% dari data dan 30% data untuk data pengujian, (2)
Melakukan prepocessing/normalisasi data, (3) Menentukan jumlah lapisan
tersembunyi, (4) Mencari laju belajar (learning rate) dan konstanta momentum
terbaik, (5) Mencari variasi jaringan yang optimum, (6) Melakukan
Postprocessing/denormalisasi, (7) Setelah proses pelatihan selesai, harga-harga
ternormalisasi output jaringan harus dikembalikan (denormalisasi) ke harga
aslinya untuk mendapatkan nilai output pada range yang sebenarnya, dan (8)
Melakukan peramalan. Hasil penelitianya diperoleh arsitektur jaringan syaraf
-
10
tiruan yang optimum untuk peramalan beban puncak distribusi listrik di Wilayah
Pemalang yaitu jaringan dengan struktur 7 unit input, 32 unit tersembunyi, 1 unit
output, dan MSE sebesar 0.009990292 dengan 423 epoch untuk beban puncak
siang, serta jaringan dengan 7 unit input, 42 unit tersembunyi, 1 unit output, dan
MSE adalah sebesar 0,00998844 dengan 837 epoch untuk beban puncak malam.
5. Hansi Efendi (2009) dengan judul Aplikasi Logika Fuzzy Untuk Peramalan
Beban Listrik Jangka Pendek Menggunakan Matlab , dalam penelitiannya beliau
menggunakan logika fuzzy yang terdapat dalam toolbox Matlab untuk melakukan
prakiraan jangka pendek dengan data beban dari Sub Sistem Sumatra Barat.
Dalam penelitian tersebut terdapat dua input masukan yaitu beban listrik dan data
suhu dengan satu keluaran yaitu beban listik. Hasil yang didapatkan adalah logika
fuzzy mampu malakukan peramalan dengan tingkat kesalahan sebesar 10,78 % -
16,98%. Keberhasilan logika metode fuzzy bergantung pada aturan- aturan yang
dibangun dari pengetahuan atau data- data input yang ada, jika logika yang
dibangun tepat maka akan menghasilkan nilai error yang bisa mencapai kurang
dari 1%.
6. Sumartanto (2014) dengan judul Perkiraan Beban Jaringan Distribusi di
Wonogori Tahun 2014 โ 2018 Menggunakan Metode Regresi Dengan
Perbandingan Antara Aplikasi Matlab dan Microsoft Excel. Peneliti
menggunakan software Matlab dan Ms. Excel sebagai alat bantu perhitungan
dengan menggunakan rumus regresi yang sudah ada. Hasil dari penelitian
tersebut adalah pada akhir 2018 hasil perhitungan dengan metode regresi
-
11
menggunkan Matlab jumlah pelanggan mencapai 132.368 pelanggan, daya
tersambung sebesar 106.124.412 VA, energi terjual sebesar 13.611.724 KWh
menggunakan program Excel jumlah pelanggan 132.368 pelanggan, daya
tersambung 106.200.741 VA, energi yang terjual 13.611.760 KWh.
Relevansi dari penelitian-penelitian tersebut menunjukkan beberapa hal
penting yaitu yang pertama perlu adanya permodelan jaringan menggunakan data
time series dari sebuah daerah, dikarenakan sebuah daerah mempunyai
karakteristik maka data time series ditiap daerah yang akan dijadikan tempat
penelitian sangat diperlukan. Kedua metode dalam penelitian di atas yang
memanfaatkan perhitungan manual menggunakan algoritma backpropagation,
namun perhitungan manual memiliki tingkat ketelitian yang sangat teliti sehingga
banyak faktor yang mempengaruhi tingkat kesalahan, oleh karena itu penelitian
ini menggunakan aplikasi matlab dengan algoritma jaringan syaraf tiruan
recurrent. Ketiga, menggunakan fuzzy memerlukan bantuan user untuk
membangun logika yang tepat jika logika yang dibangun kurang tepat maka akan
menghasilkan nilai kesalahan yang tinggi, sedangkan metode Neural Network
mampu melakukan pembelajaran sendiri di dalam layer tersembunyi sehingga
mempermudah melakukan prakiraan. Keempat, selain itu penggunaan aplikasi
juga sangat diperlukan seperti penelitian di atas yang menggunakan software
Matlab dan Ms. Excel untuk membantu perhitungan prakiraan, namun belum
memanfaatkan tool yang terdapat dalam Matlab sehingga perlu menyusun script
dalam mfile terlebih dahulu. Penelitian yang peneliti lakukan adalah dengan
-
12
memanfaatkan toolbox neural network yang sudah tersedia di dalam Matlab
sehingga memudahkan dalam proses pengolahan data.
2.2 Landasan Teori
2.2.1 Prediksi
Prediksi merupakan sebuah proses untuk memprakirakan mengenai terjadinya
suatu kejadian atau peristiwa di masa mendatang. Prediksi juga dapat disebut dengan
sebutan peramalan yang ilmiah (Educated Guess). Keputusan yang diambil dan
menyangkut keadaan di masa mendatang, maka dalam proses pengambilan keputusan
tersebut melibatkan adanya prediksi. (S. Assauri, 1984 dalam Purnomo, 2015)
Prediksi adalah penggunaan di masa lalu untuk memperkirakan nilai-nilai yang
akan dicari di masa yang mendatang. Asumsi dasar dalam penerapan teknik prediksi
adalah: โif we can predict what the future will be like we can modify our behaviour
now to be in a better position, than we otherwise would have been, when the future
arrivesโ. Artinya yaitu jika kita dapat memprediksi apa yang akan terjadi di masa
depan maka kita dapat mengubah kebiasaan kita saat ini menjadi lebih baik dan akan
jauh lebih berbeda di masa yang akan datang. Hal ini dikarenakan hasil dari proses
masa lalu akan terus berulang-ulang ke masa-masa selanjutnya yang jaraknya relatif
dekat. (Yulianto, 2015).
Dari hal tersebut yang selanjutnya mengakibatkan adanya sebuah prediksi dan
adanya prediksi ini dibutuhkan disemua institusi/industri beroperasi (dalam hal ini
PLN) yang mana keputusan yang diambil hari ini akan sangat mempengaruhi pada
masa mendatang. Prediksi yang efektif sangat dibutuhkan untuk mencapai tujuan dari
-
13
institusi/industri baik secara tujuan institusi/industri maupun secara operasional. Untuk
institusi/industri (dalam hal ini PLN) prediksi untuk mengendalikan sistem produski
dan distribusi yang berdasar kebutuhan konsumen. Prediksi merupakan bagian yang
tidak terpisahkan dari perencanaan program dan kebijakan yang akan diambil dari
sebuah institusi/industri, baik dalam sektor ekonomi, masyarakat ataupun yang lainya.
Menurut Wiguna (2016) ada dua hal pokok yang harus diperhatikan dalam
proses peramalan yang akurat dan bermanfaat:
a. Pengumpulan data yang relevan berupa informasi-informasi yang dapat
menghasilkan prediksi yang akurat.
b. Pemilihan metode prediksi yang tepat akan lebih memperkuat proses
sehingga didapatkan hasil yang maksimal.
Pada dasarnya ada dua metode pendekatan untuk melakukan prediksi yaitu
dengan pendekatan kualitatif dan kuantitatif, yang mana metode kualitatif ini dibagi
menjadi 2 metode yaitu metode eksploratoris dan normatif. Metode kualitatif adalah
metode subjektif. Metode ini mendasarkan pada informasi kualitatif., dengan dasar
informasi tersebut dapat diprediksi kejadian-kejadian di masa yang akan datang.
Metode kualitatif ini digunakan ketika data historis tidak tersedia.
Sedangkan metode prediksi kuantitatif ini adalah metode prediksi dengan
memanfaatkan runtun waktu untuk menduga atau memprediksi dari data masa lalu dari
sebuah variable yang dikumpulkan menjadi sebuah informasi. Data tersebut yang
nantinya akan diolah menjadi sebuah hasil prediksi di masa mendatang dengan metode-
metode yang sesuai. Metode kuantitatif ini dibagi menjadi dua tipe yaitu regresi
-
14
(casual) dan runtun waktu (time series). Metode kuantitatif dapat digunakan apabila :
ada informasi tentang keadaan lain, informasi tersebut dituliskan dalam bentuk data
dan dapat diasumsikan bahwa pola yang lalu akan berkelanjutan di masa mendatang.
Menurut Hadi (1994,86) dalam Fadilah (2015, 2) berdasarkan jangka
waktunya, prediksi atau peramalan dibagi menjadi 3 bentuk:
a. Prediksi jangka pendek (Short term forecasting), yaitu prediksi yang
dilakukan dengan hasil tujuan prediksi yang berjangka waktu harian hingga
setiap jam. Biasanya digunakan untuk studi perbandingan beban listrik
prediksi dengan akurat (realtime)
b. Prediksi jangka menengah (mid term forecasting), yaitu prediksi yang
dilakukan dengan hasil tujuan prediksi yang berjangka waktu mingguan
hingga bulanan. Biasanya digunakan untuk mempersiapkan jadwal persiapan
dan operasional sisi pembangkit.
c. Prediksi jangka panjang (long term forecasting), yaitu prediksi yang
dilakukan dengan hasil tujuan prediksi yang berjangka waktu tahunan atau
beberapa tahun ke depan. Biasanya digunakan untuk mempersiapkan
ketersediaan unit pembangkit, sistem transmisi, serta distribusi.
2.2.2 Beban Konsumsi Listrik
Listrik merupakan energi yang sangat dibutuhkan pada saat ini karena dirasa
listrik adalah energi yang paling nyaman dan cocok digunakan manusia. Semakin
bertambahnya penduduk maka semakin bertambah pula permintaan tenaga listrik, yang
mana hal tersebut mengakibatkan harus direncanakan pembangunan pusat-pusat listrik
-
15
baru, atau menciptakan bentuk-bentuk energy baru untuk mendukungnya. Menurut
jenis arusnya, sistem tenaga listrik terbagi menjadi sistem arus bolak-balik (AC) dan
sistem arus searah (DC). Pada sistem AC penaikan dan penurunan tegangan, medan
magnet putarnya mudah dilakukan. Dikarenakan kemudahan tersebut, banyak yang
menggunakan sistem arus bolak-balik, walaupun selain itu menggunakan sistem bolak-
balik juga banyak dikembangkan dengan pertimbangan-pertimbangan tertentu.
Sementara sistem AC tidak dapat disimpan, sehingga dalam memenuhi permintaan
konsumen, maka penyedia listrik harus dapat mengetahui seberapa besar beban yang
dikonsumsi untuk dapat terus mensuplai sesuai dengan permintaan konsumen dari
waktu ke waktu. Nugroho (2006).
Tenaga listrik merupakan kebutuhan utama bagi masyarakat, banyak kebutuhan
yang menggunakan tenaga listrik sebagai tenaga utama contohnya saja pada sektor
rumah tang, industri, usaha komersial, dan tempat layanan umum. Namun ada kendala
yang mengharuskan tenaga listrik ini disediakan pada saat dibutuhkan dan harus sesuai
dengan kebutuhan bebanya. Akibatnya banyak persoalan dalam menghadapi
kebutuhan konsumen yang setiap waktu bisa berubah-ubah yaitu bagaimana
mengoperasikan suatu sistem tenaga listrik yang selalu dapat memenuhi permintaan
daya pada setiap konsumen. Chang et al. (2009: 330). Maka menurut Li & Zhang
(2009: 366), diperlukan antara pembangkit listrik dengan daya yang akan digunakan
dengan cara mengetahui prediksi berapa pemakaian listrik periode mendatang
Menurut Pratama (2016), Beban listrik merupakan peralatan yang
menggunakan daya listrik agar dapat berfungsi sebagaimana fungsinya. Menurut
-
16
fadillah (2015) Berdasarkan jenis konsumen energy listrik, ragam beban dapat dibagi
menjadi (1) beban rumah tangga, merupakan beban yang digunakan pada sektor rumah
tangga seperti peralatan elektronik, pemanas air, lemari es, dan sebagainya. Beban
rumah tangga biasanya berada dititik puncak pada malam hari. (2) Beban komersial,
merupakan beban yang digunakan pada sektor bisnis. Misalnya kipas angina, penyejuk
udara, dan alat-alat listrik lainya. Beban ini secara drastic naik di siang hari dan
menurun di waktu sore hari. (3) beban industri, merupakan beban yang sering
digunakan di sektor industri. Beban ini rata-rata akan tetap beroperasi selama 24 jam
dan (4) beban fasilitas umum, merupakan beban yang digunakan untuk umum.
2.2.3 Beban Listrik
Beban listrik merupakan sesuatu yang membutuhkan daya listrik dan yang
mana segalanya ditanggung oleh pembangkit listrik. Contoh dari beban listrik
adalah peralatan-peralatan rumah tangga seperti tv, dvd, lampu, dll. Menurut
Khasanah (2017) Macam-macam beban listrik adalah sebagai berikut:
1. Beban Resistif (R)
Beban resistif adalah beban yang memiliki sifat yang sama dengan resistor
yaitu apabila beban dialiri arus listrik maka arus yang mengalir melewati
beban tersebut adalah arus nominal dan memiliki nilai yang tetap. Contoh
dari beban listrik yang termasuk beban resistif adalah lampu pijar, setrika,
dan kebanyakan peralatan rumah tangga yang menghasilkan listrik.
-
17
Rangkaian beban resistif lihat gambar 2.1. Pada beban resistif posisi dari
tegangan dan arus adalah satu fasa. Untuk arah diagram fasor pada beban
resistif dapat dilihat pada gambar 2.2.
Gambar 2.1. Rangkaian Beban Resistif
Gambar 2.2 Diagram Fasor Beban Resistif
Rumus arus pada beban resistif adalah
IR = V/R 0ยฐ
Keterangan : IR : Kuat arus listrik (A)
V : Tegangan (V)
R : Beban resistif (ohm)
: Sudut
2. Beban Induktif (L)
-
18
Beban induktif adalah beban yang terdiri dari kumparan kawat yang
dililitkan sehingga membentuk induksi. Contoh dari beban induktif adalah
coil, transformator, dll. Beban yang memiliki sifat menginduksi apabila
beban dialiri arus listrik maka arus yang mengalir melewati beban tersebut
adalah tertinggal terhadap tegangan dikarenakan ada pergeseran fasa pada
arus sehingga arus bersifat lagging. Hal ini disebabkan oleh energi yang
tersimpan berupa medan magnetis akan mengakibatkan fasa nya bergeser
menjadi tertinggal. Beban induktif ini menyerap daya aktif dan reaktif.
Rangkaian beban induktif dapat dilihat pada gambar 2.3. dan untuk gambar
diagram fasor beban induktif dapat dilihat pada gambar 2.4.
Gambar 2.3 Rangkaian Beban Induktif
Gambar 2.4. Diagram Fasor Beban Induktif
-
19
Untuk menghitung besar reaktansi beban induktif (XL), yaitu dengan
rumus:
XL = L
XL = 2fL
Keterangan : XL : Reaktansi induktif (Ohm)
f : Frekuensi (Hz)
L : Induktansi (Henry)
Rumus arus pada beban induktif adalah :
IL = V/XL -90
3. Beban Kapasitif (C)
Beban kapasitif adalah beban yang memiliki sifat kapasitansi atau yang
dapat menyimpan tegangan yang berasal dari pengisian elektrik. Beban
yang memiliki sifat kapasitansi apabila beban dialiri arus listrik maka arus
yang mengalir melewati beban tersebut adalah mendahului terhadap
tegangan dikarenakan ada pergeseran fasa pada arus sehingga arus bersifat
leading. Beban kapasitif menyerap daya aktif dan mengeluarkan daya
reaktif. Rangkaian beban kapasitif dapat dilihat pada gambar 2.5 dan untuk
diagram fasor beban kapasitif dapat dilihat pada gambar 2.6.
-
20
Gambar 2.5 Rangkaian Beban Kapasitif
Gambar 2.6 Diagram Fasor Beban Kapasitif
Untuk menghitung besar reaktansi kapasitif XC) menggunakan rumus:
XC = 1/C
XC =1/2fC
Keterangan: XC : Reaktansi Kapasitif (Ohm)
f : frekuensi (Hz)
C : Kapasitif (Farad)
Untuk mengetahui arus beban kapasitif menggunakan rumus:
IC= V/XC +90
-
21
4. Beban RLC
Beban RLC adalah beban listrik yang mengandung beberapa sifat beban di
dalamnya yairu resistif, induktif, dan kapasitif yang saling terhubung satu
sama lainya sehingga berada pada satu rangkaian. Rangkaian RLC dapat
dilihat pada gambar 2.7
Gambar 2.7. Rangkaian Beban RLC
Untuk dapat mengetahui nilai beban RLC maka harus melakukan
perhitungan impedansi dari rangkaian RLC tersebut. Impedansi adalah
ukuran penolakan terhadap arus bolak-balik. Impedansi menggunakan
satuan ohm dan lambing Z. impedansi dapat dicari dengan menggunakan
rumus:
Z= R+ jX
Keterangan : Z : Impedansi (Ohm)
-
22
R : Beban Resistif (ohm)
j : Bilangan Imajiner
X : Reaktansi(bisa berupa Induktif maupun
kapasitif)(ohm)
Dalam beban RLC apabila rangkaian bersifat induktif maka berlaku rumus:
Z= R+ j(XL-XC)
Z= โ๐ 2 + (XL โ XC)ยฒ
Diagram fasor dari beban RLC induktif dapat dilihat pada gambar 2.8 dan
diagram fasor dari beban RLC kapasitif dapat dilihat pada gambar 2.9.
Gambar 2.8 Diagram fasor beban RLC Induktif
Apabila beban RLC bersifar kapasitif, maka untuk mencari impedansi
menggunakan rumus
Z = R+j(X L -X C)
Z = โ๐ 2 + (XL โ XC)ยฒ
-
23
Gambar 2.9 Diagram Fasor Beban RLC Kapasitif
2.2.4 Daya Listrik
Daya adalah energi yang dikeluarkan untuk melakukan usaha. Dalam ketenaga
listrikan, daya adalah jumlah energi yang digunakan untuk sebuah usaha. Daya listrik
dinyatakan dalam satuan Watt atau Horse Power (HP), dimana satu Horse Power setara
dengan 746 Watt.
Jika daya listrik (Watt) dinyatakan dalam P, tegangan (Volt) dinyatakan dalam
V, dan arus (Ampere) dinyatakan dalam I, sehingga besarnya daya listrik:
P = V.I
P = Tegangan . Arus . Cos ฯ
Menurut (P3BJB, 2005) Macam-macam daya listrik dibagi menjadi tiga, yaitu:
1. Daya Aktif
Daya aktif adalah daya yang terpakai untuk keperluan energi yang
sesungguhnya. Rumus dari daya nyata adalah:
-
24
P= V.I. Cos ฯ
Keterangan: P :Daya nyata (Watt)
V : Tegangan (Volt)
I : Arus Listrik (Ampere)
Cos ฯ : Faktor kerja
2. Daya Reaktif
Daya reaktif adalah daya yang diperlukan dalam pembentukan medan magnet
untuk membentuk fluks magnet. Rumus dari daya reaktif adalah:
Q= V.I.sin ฯ
Keterangan : Q : Daya Reaktif (VAR)
V : Tegangan (Volt)
I : Arus Listrik (Ampere)
Sin ฯ : Sudut fasa
3. Daya Semu
Daya semu adalah daya yang dihasilkan oleh perkalian antara tegangan efektif
dengan arus efektif, ataupun juga daya hasil penjumlahan trigonometri dari
daya aktif dan daya reaktif.
S= Vrms. Irms
Keterangan : S : Daya Semu (VA)
Vrms : Tegangan Efektif (V)
Irms : Arus Efektif (A)
-
25
4. Segitiga Daya
Hubungan antara daya aktif, daya reaktif, dan daya semu dapat diilustrasikan
sebagai segitiga siku-siku dengan sisi siku yaitu daya aktif dan reaktif dan daya
semu sebagai sisi miringnya.
Gambar 2.10. Segitiga Daya
2.2.5 Energi Listrik
Energi listrik dihasilkan dari berbagai energi-energi potensial seperti energi
fosil yakni batu bara, minyak bumi, maupun gas alam atau yang lainya. Selain itu
energi listrik juga dihasilkan dari sumber daya yang dapat diperbaharui seperti air,
angin, matahari, panas bumi, dan yang lainya. Walaupun saat ini sudah banyak energi
listrik yang sumbernya dari sumber daya yang dapat diperbaharui, namun energi fosil
tetap yang paling banyak digunakan sebagai pembangkit listrik. Itu karena energi fosil
ini adalah yang paling mudah dikonversi, andal, dan ekonomis (Subagio dalam Rohi
2011).
-
26
Energi listrik adalah energi yang berasal dari muatan listrik yang memiliki
medan listrik atau electron yang bergerak pada konduktor. Energi listrik dapat
diciptakan oleh konversi energi yang lain dan bahkan energi listrik ini juga dapat
diubah kembali menjadi energi lain. (Permatasari 2015)
Arus listrik mengalir melalui suatu media, ketika media tersebut mengalami
perbedaan potensial maka arus dapat mengalir. Arus listrik dapat mengalir dari
potensial yang tinggi ke potensial yang lebih rendah dikarenakan ada perpindahan
elektron dari potensial rendah ke potensial yang lebih tinggi.
Untuk memindahkan muatan listrik tersebut diperlukan sebuah energi, dalam
perpindahanya jumlah muatan juga memerlukan perbedaan potensial diujung-ujung
penghantarnya. Artinya, semakin besar perbedaan potensialnya dan ketika jumlah
muatan yang berpindah juga banyak, maka energi yang diperlukan juga akan semakin
besar. Karena jika dalam sebuah rangkaian tertutup diberi beda potensial sehingga
mengalir arus listrik sebesar I dan muatan listrik sebesar Q, maka pada rangkaian
tersebut energi listrik yang dibutuhkan adalah:
-
27
Gambar 2.11 Arah Perpindahan Energi Listrik
W= Q.V dengan Q= I.t
Keterangan: W : Energi Listrik (Joule)
V : Beda Potensial (Volt)
Q : Muatan Listrik (Coulomb)
t : Waktu (sekon)
I : Arus Listrik (Ampere)
Energi listrik (W) bersatuan Joule, dimana 1 joule merupakan energi yang
diperlukan untuk memindahkan 1 coulomb dengan beda potensial 1 volt. Lalu
untuk satu muatan per satuan waktu adalah kuat arus yang mengalir pada
rangkaian tersebut maka dapat diartikan bahwa
W=Q.V Jika Q=I.t
Maka dapat disimpulkan juga bahwa:
W=(I.t).V atau W=V.I.t dengan satuan Watt-Jam
-
28
Dikarenakan besarnya tegangan berbanding lurus dengan arus yang mengalir
dan berbanding terbalik dengan jumlah tahanan, maka untuk besarnya energi
listrik dapat dirumuskan sebagai berikut
W= V.I.t
W=(I.R).I.t atau W=Iยฒ.R.t
W=Vยฒ
R.t
Dengan : I = kuat arus listrik (A)
R= Hambatan/Tahanan (Ohm)
V= Beda Potensial (V)
t= Waktu (s)
W= Energi listrik (J)
Besarnya energi listrik sebanding dengan besarnya daya yang terpakai
pada peralatan listrik tersebut dan dalam waktu yang digunakan. Semakin lama
daya listrik dipakai dan semakin lama pula waktu pemakaianya maka energi
yang dibutuhkanpun semakin besar. Energi listrik didefinisikan sebagai laju
dari sebuah penggunaan daya listrik dikali lama daya tersebut dipakai. Untuk
mencari berapa energi listrik yang terpakai dapat digunakan rumus
W = P.t dimana,
P = V.I
Keterangan :
W = Energi listrik yang terpakai (Watt-jam)
-
29
P = Daya listrik yang terpakai (watt)
V = Tegangan pada peralatan listrik (V)
I = Arus yang mengalir (A)
t = Waktu pemakaian listrik (s)
Energi listrik dapat diubah menjadi bentuk lain sesuai dengan
kegunaanya, diantaranya :
Energi listrik menjadi energi kalor/panas. Contoh penggunaanya adalah
untuk setrika, solder, dan kompor listrik
Energi listrik menjadi energi cahaya. Contoh penggunaanya adalah
untuk lampu
Energi listrik menjadi energi mekanik. Contoh penggunaanya adalah
untuk motor listrik
Energi listrik menjadi energi kimia. Contoh penggunaanya adalah untuk
peristiwa pengisian accu, peristiwa penyepuhan (peristiwa melapisi
logam dengan logam lain)
2.2.6 Konsumsi Energi Listrik
Konsumsi energi listrik adalah penggunaan energi listrik yang mana energi
listrik ini digunakan untuk menghidupkan peralatan listrik. Menurut
(Khasanah, 2017) berdasarkan metode pengoperasianya, konsumsi energi
listrik dibagi menjadi dua, yaitu:
1. Konsumsi Energi Listrik Statis.
-
30
Konsumsi energi listrik statis atau tetap adalah penggunaan jumlah energi
yang sama secara terus menerus dalam jangka waktu ketika awal
pengoperasianya sampai berakhirnya operasi peralatan tersebut.
2. Konsumsi Energi Listrii Dinamis
Konsumsi energi listrik dinamis adalah penggunaan jumlah energi listrik
yang mana hanya berdasarkan kondisi dan ukuran tertentu yang ditentukan
oleh suku cadang tambahan yang ada dalam perangkat tersebut.
2.2.7 Alat Ukur Energi Listrik
Dalam instalasi listrik tentunya memerlukan alat yang digunakan untuk
mengukur besaran daya yang digunakan oleh pemakai dalam setiap waktu. KWH meter
(Kilo Watt Hours Meter) merupakan alat yang mempunyai peranan penting dalam
instalasi listrik. KWH Meter adalah komponen elektronik yang digunakan oleh PLN
untuk mengukur besaran energi listrik yang telah dipakai oleh konsumen. Konsumen
rumah tangga menggunakan KWH Meter 1 fasa dikarenakan daya yang dipasang pada
konsumen rumah tangga adalah daya 1 fasa, sedangkan pada industri atau yang lainya
menggunakan daya listrik 3 fasa maka untuk KWH Meternya pun menggunakan KWH
Meter 3 fasa. (Permana, 2013)
Menurut (Reza, 2015), prinsip kerja dari KWH Meter ini adalah menggunakan
metode induksi magnet, yang mana medan magnet tersebut menggerakkan cakram
yang terbuat dari alumunium. Maka poros yang ada pada cakram alumunium itu akan
menggerakkan counter digit sebagai tampilan dari KWH Meter. Lambat atau cepatnya
pergerakan dari lempengan alumunium itu bergantung pada banyaknya induksi yang
-
31
diterima pada koil arus. KWH meter memiliki dua kumparan, yaitu kumparan arus dan
kumparan tegangan. Keduanya mempunyai peran sebagai pembangkit fluks, yaitu
kumparan tegangan untuk fluks tegangan dan kumparan arus untuk fluks arus.
Beberapa komponen lainya diantaranya adalah magnet permanen yang
mempunyai fungsi sebagai pengerem ataupun penetral piringan dari induksi magnet.
Piringan itu sendiri adalah sebagai tempat integrasi antara fluks tegangan dan fluks arus
sehingga menyebabkan momen putar yang nantinya akan ditampilkan pada counter
digit. Sebagai tempat penghubung antara kwh dengan komponen yang lainya adalah
pada terminal yang letaknya di bagian bawah piringan.
Gambar 2.12. Prinsip Kerja KWH(Reza, 2015)
-
32
2.2.8 Jaringan Syaraf Tiruan
1. Pengertian Jaringan Syaraf Tiruan
Jaringan syaraf tiruan (JST) merupakan sebuah sistem linier representasi
buatan dari orang manusia yang mana JST ini mempraktikan proses pembelajaran
pada otak manusa. Maulana & Muslim (2015:59). Kelebihan sistem nonlinier
pemetaan input dan output yang cenderung mempelajari pelatihan (training),
sehingga ketiganya berperilaku sesuai dengan fungsi masing-masing ketika
berurusan dengan variable yang berlawanan.. Zhang & Gu (2017:17).
Menurut Hermawan (2006: 4) dalam Yusendra (2014, 277), jaringan syaraf
tiruan memiliki beberapa kelebihan disbanding dengan metode perhitungan yang
lain:
1. Kemampuan jaringan sayaraf tiruan dalam mengakuisisi pengetahuan
walaupun dalam kondisi ada gangguan dan ketidakpastian. Hal ini karena
jaringan syaraf tiruan mampu melakukan generalisasi dan abstraksi.
2. Kemampuan jaringan sayaraf tiruan dalam mempresentasikan pengetahuan
secara fleksibel.
3. Kemampuan jaringan sayaraf tiruan untuk memberikan toleransi atas suatu
distorsi (error/fault), dimana gangguan kecil pada data dapat dianggap hanya
sebagai noise (guncangan) belaka.
4. Kemampuan jaringan sayaraf tiruan dalam memproses pengetahuan secara
efesien karena memakai sistem pararel, sehingga waktu yang diperlukan untuk
mengoperasikannya menjadi lebih singkat.
-
33
2. Istilah dalam Jaringan Syaraf Tiruan
Beberapa istilah dalam JST yang sering ditemui antara lain:
1. Neuron/node atau unit, yaitu sel syaraf tiruan yang berperan sebagai elemen
pengolahan jaringan syaraf tiruan yang menerima data input (masukan),
kemudian memproses input tersebut dan mengirimkan hasilnya berupa sebuah
output (keluaran).
2. Jaringan, yaitu kumpulan neuron-neuron yang saling terkoneksi/terhubung dan
membentuk sebuah lapisan.
3. Lapisan tersembunyi (hidden layer), yaitu lapisan yang tidak secara langsung
berhubungan dengan dunia luar. Kelebihannya lapisan ini memiliki kegunaan
memperluas kemampuan jaringan syaraf tiruan dalam menghadapi masalah-
masalah yang kompleks.
4. Input atau masukan, yaitu sebuah atribut tunggal dari sebuah pola atau data lain
dari dunia luar. Sinyal-sinyal input ini kemudian diteruskan ke lapisan
berikutnya.
5. Output atau keluaran, yaitu hasil pemahaman jaringan terhadap data input.
Karena mendapatkan nilai output adalah tujuan dari pembangunan jaringan
syaraf tiruan.
6. Bobot, nilai matematis antar neuron yang berfungsi untuk mengatur output
yang diinginkan sekaligus bertujuan membuat jaringan tersebut belajar.
7. Fungsi aktivasi, yaitu fungsi yang digunakan untuk merubah nilai-nilai bobot
periterasi dari semua nilai input.
-
34
8. Fungsi aktivasi sederhana adalah mengalikan input dengan bobotnya yang
kemudian menjumlahkannya. Biasanya berbentuk linier atau tidak linier dan
sigmoid.
9. Paradigma pembelajaran merupakan bentuk pembelajaran, bentuk
pembelajaran ini dibedakan menjadi dua yaitu supervisied learning dan
unsupervisied learning
10. Aturan Pembelajaran, yaitu aturan kerja dari teknik/algoritma JST.
3. Arsitektur Jaringan Syaraf Tiruan
Menurut Kusumadewi dan Hartati (2010: 211), berdasarkan arsitekturnya
model jaringan syaraf tiruan dibagi menjadi tiga yaitu.
1. Jaringan Layar Tunggal (Single Layer Network)
Jaringan layar tunggal adalah jaringan yang hanya memiliki satu lapisan dengan
matriks bobot yang terhubung seperti yang ditunjukkan pada gambar 2.13 jaringan
layar tunggal ini hanya menerima input dan kemudian langsung diolah menjadi output
tanpa melalui lapisan lain. Contoh model yang termasuk jaringan layar tunggal adalah
ADALINE,Hopfield, Perceptron, LVQ, dan lain-lain
-
35
Gambar 2.13 Jaringan Layer Tunggal Kusumadewi dan Hartati (2010: 211)
2. Jaringan Layar Jamak (Multi Layer Network)
Jaringan layar jamak merupakan perluasan dari jaringan layar tunggal, yaitu
menerima input selanjutnya ke layar tersembunyi lalu diolah menjadi output yang
ditunjukkan seperti gambar 2.14 Terdapat beberapa layar tersembunyi yang
dimaksudkan pada pernyataan di atas. Model yang termasuk jaringan ini antara lain :
MADALINE, Backpopragation, Neocognitron, dll.
-
36
Gambar 2.14 Jaringan Layer Jamak Kusumadewi dan Hartati (2010: 211)
3. Jaringan Reccurent
Jaringan Reccurent (recurrent network) merupakan model yang mirip dengan
jaringan layar tunggal maupun layar jamak. Namun ada unit keluaran yang
memberikan sinyal pada unit masukkan (sering disebut feed back loop). Dengan kata
lain sinyal mengalir dua arah yaitu maju atau mundur. Contoh model yang menerapkan
model ini adalah : BAM (Bidirectional Assosiative Memory) Boltzman Machine, dll.
-
37
Gambar 2.15 Arsitektur Jaringan Recurrent (Susanti, 2016)
2.2.9 Algoritma Pembelajaran
Satu hal terpenting dalam konsep jaringan syaraf tiruan adalah terjadinya proses
pembelajaran. Tujuan dari pembelajaran ini yaitu melakukan pengaturan-pengaturan
terhadap bobot-bobot yang ada pada syaraf, sehingga diperoleh bobot akhir atau bobot
-
38
hasil pengaturan itu yang tepat dan sesuai dengan pola data yang dilatih. Selama proses
pembelajaran akan terjadi perbaikan bobot berdasarkan algoritma tertentu.
Menurut Siang (2005:30), algoritma belajar atau pelatihan digolongkan
menjadi dua jenis yaitu :
1. Pelatihan dengan Supervisi (Supervised Training)
Dalam pelatihan dengan supervisi, terdapat beberapa pasang data
(masukan-target/keluaran) yang mana pasangan data tersebut dipakai untuk
melatih jaringan. Pada setiap pelatihan, suatu masukan diberikan ke
jaringan, jaringan kemudian akan memproses dan kemudian akan
mengeluarkan output atau keluaran. Selisih antara keluaran jaringan dengan
target adalah kesalahan, yang mana jaringan akan memodifikasi bobot
sesuai dengan kesalahan tersebut.
Pelatihan dengan supervisi ini memerlukan keluaran yang telah diketahui
sebelumnya dan target sebagai dasar pengubahan bobot. Pada proses
pembelajaranya, satu sinyal masukan diberikan kepada satu neuron
kemudian akan diolah dan akan menghasilkan satu keluaran. Nilai keluaran
akan dibandingkan dengan nilai targetnya. Apabila terjadi perbedaan antara
keluaran pelatihan dan keluaran dari target, maka akan terjadi error. Untuk
mendapat nilai error terkecil, maka harus dilakukan pembelajaran secara
berkala. Model yang menggunakan pelatihan supervisi antara lain :
Hebbian, Oerceptron, ADALINE, Backpopragation, Boltmz, Hopfield, dll.
2. Pelatihan Tanpa Supervsi (Unsupervised Training)
-
39
Pada pelatihan ini, perubahan bobot jaringan dilakukan berdasarkan
parameter tertentu dan jaringan dimodifikasi menurut ukuran parameter
tersebut. Tujuan pelatihan tanpa supervisi ini adalah mengelompokan unit-
unit yang hampir sama dengan suatu area tertentu. Pelatihan ini sangat
cocok untuk pengelompokan pola.
Model yang menggunakan pelatihan tanpa supervisi ini diantaranya adalah
model jaringan kompetitif. Dalam model jaringan kompetitif, jaringan
terdiri dari layar input dan layar kompetisi. Layar input menerima data dari
luar (eksternal). Sedangkan layar kompetitif berisi neuron-neuron yang
saling berkompetisi agar diperoleh kesempatan untuk merespon sifat-sifat
yang ada dalam data masukan. Neuron yang memenangkan kompetisi akan
memperoleh sinyal dan akan dimodifikasi sehingga lebih menyerupai data
maukan. Model yang menggunakan pelatihan tanpa supervisi antara lain :
Kohonen, LVQ, Neocognitron, dll.
2.2.10 Fungsi Aktivasi
Dalam jaringan syaraf tiruan, fungsi aktivasi dipakai untuk menentukan
keluaran suatu neuron. Fungsi aktivasi merupakan net masukan (kombinasi
linear masukan dan bobotnya). Jika net = โ ๐ฅ๐๐ค๐, maka fungsi aktivasinya
adalah ๐(๐๐๐ก) = ๐(โ ๐ฅ๐๐ค๐). Menurut Siang (2005: 26) Beberapa fungsi
aktivasi yang sering dipakai adalah sebagai berikut:
(1) Fungsi threshold (batas ambang)
-
40
ฦ(x) ={1, ๐๐๐๐ ๐ฅ โฅ ๐0, ๐๐๐๐ ๐ฅ < ๐
Untuk beberapa kasus, fungsi threshold yang dibuat tidak berharga 0 atau
1, tapi berharga -1 atau 1 (sering disebut threshold bipolar) sehingga.
ฦ(x) ={1, ๐๐๐๐ ๐ฅ โฅ ๐
โ1, ๐๐๐๐ ๐ฅ < ๐
(2) Fungsi sigmoid
f(x) =1
1+ ๐โ๐ฅ
Fungsi sigmoid memiliki range antara 0 dan 1 maka dari itu fungsi ini
sering dipakai. Fungsi sigmoid dirumuskan sebagai berikut.
f'1(x)= f (x)(1x โ f (x))
(3) Fungsi identitas
f(x) = x
Fungsi identitas sering dipakai apabila kita menginginkan keluaran
jaringan berupa sembarang bilangan riil (bukan hanya pada range [0,1]
atau [-1,1]).
2.2.11 Komponen Jaringan Syaraf Tiruan
Menurut Puspitaningrum (2006: 9), arsitektur jaringan syaraf tiruan (JST)
berdasar kerangka kerja dan skema interkoneksi dibagi menjadi tiga yaitu input layer,
output layer, dan hidden layer.
Ada beberapa tipe jaringan syaraf, dan hampir semua memiiki komponen yang
sama. Seperti otak manusia, jaringan syaraf tiruan juga terdiri dari beberapa neuron.
-
41
Neuron tersebut akan mentransformasikan informasi yang diterima. Pada jaringan
syaraf tiruan, hubungan tersebut dikenal dengan nama bobot. Informasi tersebut
kemudian disimpan pada sebuah nilai tertentu.
Layaknya sistem syaraf otak, neuron-neuron tersebut juga bekerja dengan cara
biologis. Input yang datang akan diproses dengan menjumlahkan nilaidari semua
bobot. Hasilnya akan dibandingkan dengan suatu nilai ambang (threshold) melalui
suatu fungsi aktivasi pada setiap neuron. Apabila nilai input melebihi nilai ambang
tertentu, maka neuron akan diaktifkan. Begitupun sebaliknya, jika input tidak melewati
nilai ambang, maka neuron tidak diaktifkan. Apabila neuron tidak aktif, maka neuron
akan mengirimkan output melalui bobot output ke semua neuron yang berhubungan
denganya, begitupun seterusnya. (Kusumadewi dan Hartati, 2010: 70). Cara kerja
neuron tersebut dapat digambarkan seperti Gambar 2.16.
Gambar 2.16 Struktur Neuron Jaringan (Kusumadewi dan Hartati, 2010: 70)
Menurut Puspitaningrum (2006: 9), arsitektur jaringan syaraf tiruan (JST)
berdasarkan kerangka kerja dan skema interkoneksi di bagi menjadi tiga yaitu input
layer, output layer, dan hidden layer.
Penjelasan mengenai komponen JST sebgai berikut.
1. Input Layer (Lapisan Input)
-
42
Input layer berisi node-node yang masing-masing menyimpan sebuah nilai
masukan yang tidak berubah pada fase pelatihan dan hanya bisa berubah jika diberikan
nilai masukan baru. Input yang di masukkan merupakan penggambaran dari suatu
masalah.
2. Hidden Layer (Lapisan Tersembunyi)
Lapisan ini tidak pernah muncul sehingga dinamakan hidden layer. Akan tetapi
semua proses pada fase pelatihan dan fase pengenalan dijalankan di lapisan ini. Jumlah
lapisan ini tergantung dari arsitektur yang akan dirancang, tetapi pada umumnya terdiri
dari satu lapisan hidden layer.
3. Output Layer (Lapisan Output)
Output dari lapisan ini merupakan keluaran/output jaringan sayaraf tiruan
terhadap suatu permasalahan.
2.2.12 Jaringan Syaraf Tiruan Recurrent
1. Pengertian Jaringan Syaraf Tiruan Recurrent
Menurut Pramudya (2015) Jaringan syaraf tiruan adalah jaringan yang dapat
mengakomodasikan keluaran dari sebuah jaringan syaraf tiruan untuk menjadi
masukkan kembali pada jaringan itu lagi dalam rangka menghasilkan keluaran jaringan
berikutnya. Jaringan recurrent terdiri dari beberapa lapisan tersembunyi (hidden layer)
yang mana pada lapisan pertama adalah lapisan yang memiliki bobot sama dengan
bobot input, sedangkan lapisan berikutnya adalah lapisan yang mempunyai bobot dari
lapisan sebelumnya. Berbeda dengan jaringan syaraf tiruan backpropagation, pada
jaringan ini mempunyai fungsi aktifasi yang dapat berupa sembarang fungsi, baik yang
-
43
kontinyu maupun yang bukan kontinyu. Menurut (Kusumadewi 2004) delay yang ada
pada setiap lapisan baik itu lapisan input maupun lapisan tersembunyi adalah pada
waktu sebelumnya (t-1) dapat digunakan pada saat ini (t). Hal yang unik pada jaringan
syaraf tiruan recurrent ini adalah adanya koneksi umpan balik yang mana umpan balik
tersebut membawa informasi gangguan (noise) pada saat akan memasukki jaringan
berikutnya.
2. Inisialisasi Nguyen-Widrow
Inisialisasi Nguyen-Widrow pada umumnya mempercepat proses pembelajaran
dibandingkan dengan inisialisasi acak (Fauset 1994). Ada beberapa persamaan
inisialisasi yang dapat didefinisikan sebagai persamaan berikut:
a. Menghitung faktor pengali ฮฒ
ฮฒ = 0.7 pแดธแดบ
dimana:
ฮฒ = faktor pengali
N = Jumlah neuron lapisan input
P = jumlah neuron lapisan tersembunyi
b. Untuk setiap unit tersembunyi (j=1,2,โฆ..p)
\Menghitung Vj (lama) yitu bilangan acak antara -0.5 dan 0.5 (atau di
antara โn sampai n)
c. Menghitung Vj (lama) menjadi Vj (baru) yaitu
Vj(lama) = ฮฒ Vj (lama) : Vj(lama)
d. Ketepatan Pendugaan
-
44
Menurut (Walpole dalam Salman 2011) Ketepatan pendugaan adalah
sebuah model regresi dimana dapat dilihat dari koefisien determinasi (R2)
dan Root Mean Square Error (RMSE). Nilai R2 menunjukkan jumlah
kuadrat total yang dapat dijelaskan oleh sumber keragaman peubah bebas,
sedangkan RMSE menunjukkan besar simpangan nilai dugaan terhadap
aktualnya. R2 adalah kuadrat dari korelasi antara nilai vector observasi y
dengan nilai vector penduga y.
3. Algoritma Elman Recurrent Neural Network
Arsitektur Elman Neural Network hampir sama dengan algoritma feed fodward
backpropagation, namun ada perbedaan yaitu dengan penambahan layer
constant untuk menampung hasil output.
-
45
Gambar 2.17 Koneksi antar layer JST Recurrent
Keterangan
k: node input n : Jumlah node masukan
h: node context m : jumlah node context
j: node hidden f,g : fungsi output
i: node input v : bobot input dengan hidden layer
x: input (vector masukan) w : bobot hidden dengan output
ฮธ: bias u : bobot context dengan hidden
Adapun tahapan dalam pembuatan Jaringan Syaraf Tiruan Recurrent adalah:
Sebuah jaringan recurrent sederhana, vector masuknya juga dissebar melalui
lapisan berbobot, akan tetapi juga dikombinasikan dengan aktivasi keadaan
-
46
sebelumnya melalui lapisan bobot tambahan yaitu โUโ dimana itu adalah
bobot delay.
Setiap unit akan menghitung aktivasinya seperti pada jaringan feed forward
backpropagation. Pada setiap layer akan memiliki indeks masing-masing.
2.2.13 Matlab R2014a
Menurut (Away, 2014). Matlab adalah sebuah Bahasa pemrograman level
tinggi yang berarti bahwa matlab memudahkan pengguna khususnya untuk komputasi
teknis. Matlab atau Matrix Laboratory adalah bahasa pemrograman yang telah
dikembangkan oleh The Mathwork Inc., yang berguna sebagai penganalisis data
numerik. Matlab yang digunakan dalam penelitian ini adalah Matlab versi R2014a,
versi kedua yang telah diberikan beberapa fitur baru dari versi sebelumnya. Fitur
tersebut antara lain
1. Sudah tertanam pembuatan kode C
2. Menggunakan real time workshop
3. Fungsi blok algoritma sudah didukung simulink
4. Mempunyai dukungan untuk array numerik lebih besar dari 2 x 109
5. Pada sistem 64 bit, Matlab mampu membaca format MPEG, WMV dan
format video lainnya pada Windows
6. Dukungan Java untuk sistem data reoters market di datafeed tollbox new.
Matlab juga merupakan bahasa pemrograman computer berbasis window
dengan orientasi dasarnya adalah matrik, namun pada program ini tidak menutup
kemungkinan untuk pengerjaan permasalahan non matrik. Selain itu matlab juga
-
47
merupakan bahasa pemrograman yang berbasis pada obyek (OOP), namun disisi lain
karena matlab bukanlah type compiler, maka program yang dihasilkan pada matlab
tidak dapat berdiri sendiri. Agar hasil program dapat berdiri sendiri maka harus
dilakukan transfer pada bahasa pemrograman yang lain, misalnya C++.
Menurut (Away, 2014). Terdapat beberapa bagian penting yang terdapat pada
antarmuka Matlab adalah seperti berikut :
1. Command Window atau jendela perintah yang dipakai penerima perintah dari
pemakai untuk menjalankan segala fungsi yang ada pada MATLAB.
2. Workspace berisi daftar variabel yang diciptakan oleh pemakai dan masih ada
dalam memori. Workspace berfungsi sebagai navigator bagi pemakai dalam
penyedia informasi yang sedang aktif
3. Command History mencantumkan perintah-perintah yang pernah diberikan oleh
pemakai pada workspace.
4. Current Directory menyatakan direktori kerja.
Selain itu untuk menangani persoalan-persoalan yang spesifik, Matlab
menyediakan sejumlah toolbox antara lain:
1. Image Processing
Ditujukan secara khusus untuk melakukan pengolahan citra.
2. Signal Processing:
Ditujukan untuk menangani pengolahan isyarat.
3. Neural Network:
-
48
Menyediakan berbagai fungsi yang terkait dengan jaringan syaraf tiruan. Salah
satu fungsi dari toolbox neural network adalah untuk melakukan prediksi.
Untuk mengaktifkan toolbox neural network bisa melalui start pada Matlab
kemudian pilih toolbox neural network atau dengan cara mengetikkan nntool
pada command window.
-
78
BAB V
PENUTUP
5.1 Kesimpulan
Berdasarkan hasil penelitian dan pembahasan mengenai prediksi energi listrik di PLN
APJ Salatiga dengan menggunakan metode jaringan syaraf tiruan recurrent dapat
ditarik kesimpulan sebagai berikut:
1. Terjadi peningkatan energi yang dibutuhkan oleh PLN APJ Salatiga untuk
memenuhi kebutuhan listrik konsumen, dengan rata-rata semula selama tahun
2013 sampai dengan 2017 sebesar 98860896.65 KWH. Sedangkan rata-rata
prediksi pada tahun 2023 mulai bulan januari sampai dengan desember tahun
2023 adalah sebesar 130325408.5 KWH.
2. Pada tahapan pemilihan model terbaik didapatkan nilai rata-rata kesalahan
(MSE) sebesar 0.8. Jika hasil dari prediksi menggunakan neurons 24
dibandingkan dengan hasil prediksi dari PLN APJ Salatiga maka dapat dilihat
tingkat kesalahan hasil prediksi yaitu rata-rata tingkat kesalahanya adalah
7.57% Sehingga dapat disimpulkan bahwa metode atau algoritma Jaringan
Syaraf Tiruan Recurrent baik digunakan untuk proses prediksi energi listrik
karena memiliki nilai ketepatan yang tinggi atau mempunyai tingkat kesalahan
yang kecil.
5.2 Saran
Untuk penelitian lebih lanjut disarankan:
-
79
1. Hasil analisis yang diperoleh dalam penelitian ini hanya menggunakan data
time series 5 tahun yang lalu. Maka diharapkan untuk PLN ataupun yang akan
meneliti lebih memperhatikan data yang akan diujikan,karena semakin banyak
data maka tingkat akurasi akan semakin baik.
2. PLN harus mempersiapkan antisipasi meningkatnya kebutuhan energi listrik
karena diprediksikan tahun 2023 rata-rata energi yang dibutuhkan sebesar
130325408.5 KWH. Sedangkan dari tahun 2013 sampai dengan 2017 PLN
memberikan energi listrik untuk pelanggan sebesar kira-kira 98860896.65
KWH
-
80
DAFTAR PUSTAKA
Away.Gunaidi.Abdia., 2014, The Shortcut of Matlab Programmingรญ, Bandung :
Informatika Bandung
Chang, P. C., Fan, C.Y., & Hsieh, J. C. 2009. A Weighted Evolving Fuzzy Neural
Network for Electricity Demand Forecasting. Information and Database
Systems. Vol. 0(0): 330-335.
Desvina.,Ari.,P. Penerapan Metode Box-Jenkins Untuk Memprediksi Jumlah
Mahasiswa Universitas Negeri Suska Riau. Jurnal Sains Teknologi dan Industri.
2014:80-89
Diapriani.Sistya.Rosi, dan Suhartono, Analisis Klasifikasi Menggunakan Regresi
Logistik Biner dan Radial Basis Function Network di Bank โXโ Cabang Kediri,
Jurnal Sains dan Seni POMITS, Vol.3,No.2.
Ekasari, Yunidha, Diagnosis Kanker Serviks Menggunakan Model Recurrent Neural
Network (RNN) Berbasis Graphical User Interface (GUI), 2015, skripsi, UNY,
Yogyakarta.
Fadillah. M.B, Analisis Prakiraan Kebutuhan Energi Listrik Tahun 2015-2024 Wilayah
PLN Kota Pekan Baru Dengan Metode Gabungan,Jom FTEKNIK, Vol.2,No.2.
Fauzannisa. Rahafattri.,dkk. Peramalan Harga Minyak Mentah Dunia Menggunakan
Metode Radial Basis Function Neural Network, Jurnal Gaussian, 2015 Vol 5
No.1
-
81
Fauziah L & Suhartono. 2012. Peramalan jumlah kedatangan wisatawan mancanegara
ke Indonesia melalui lima pintu kedatangan utama mengggunakan model
hibrida ARIMA-ANFIS. Makalah Tugas Akhir. Jurusan Statistika FMIPA-
ITS.Surabaya.
Hendrawan,Bambang, Penerapan Model ARIMA Dalam Memprediksi IHSG, Jurnal
Integrasi, Vol.4, No.2:205-211.
Hussain, Tahir. 2010. Engineering Economics. New Delhi: Golden House
Kristiana, Ana., Yuciana W., Alan P. 2015. Peramalan Beban Puncak Pemakaian
Listrik Di Area Semarang Dengan Metode Hybrid Arima (Autoregressive
Integrated Moving Average)-Anfis (Adaptive Neuro Fuzzy Inference System).
Jurnal Gaussian. Vol 4. No 4. Hal 715-723
Kusumadewi, S. dan Hartati, S. 2010. Integrasi Sistem Fuzzy dan Jaringan Syaraf.
Yogyakarta: Graha Ilmu.
Kuncoro, A dan Rinaldy Dalimi, 2005. Aplikasi Jaringan Syaraf Tiruan Untuk
Peramalan Beban Tenaga Listrik Jangka Panjang Pada Sistem Kelistrikan Di
Indonesia. Jurnal Teknologi Edisi No 3. Hal 211-217.
Marsiana, Siwi., Dwijanto., Alamsyah. 2014. Aplikasi Jaringan Syaraf Tiruan
Backpropagation Dalam Peramalan Beban Puncak Distribusi Listrik Di
Wilayah Pemalang. UNNES Journal of Mathematics, 3(1).
Nugroho.Agung, Metode Pengaturan Penggunaan Tenaga Listrik Dalam Upaya
Penghematan Bahan Bakar Pembangkit Dan Energi, Jurnal Transmisi, Vol.11,
No.1: 45-51.
-
82
PLN, โRencana Usaha Penyediaan Tenaga Listrik PT Perusahaan Listrik Negara
(Persero) Tahun 2016 s.d. 2025โ, PT PLN Persero, Tahun 2016.
Pratama.R A, Peramalan Beban Listrik Jangka Panjang Provinsi DIY Menggunakan
Neural Network Backpropagation,Jurnal Teknik Elektro, Vol.05, No.03:0-47
Puspitanngrum,Diyah. 2006. Pengantar Jaringan Syaraf Tiruan. Yogyakarta : Andi
Yogyakarta
Siang, J J. 2005. Jaringan Syaraf Tiruan dan Pemogramanya menggunakan Matlab.
Yogyakarta: Andi Yogyakarta.
Suparti.2015.Analisis Data Inflasi Indonesia Menggunakan Model Autoregressive
Integrated Moving Average (ARIMA) Dengan Penambahan Outlier,Media
Statistika,Vol 8, No 1.
Sutijo.Brodjol, Subanar., dan Suryo G, Pemilihan Hubungan Input-Node Pada Jaringan
Saraf Fungsi Radial Basis, Jurnal Berkala MIPA,16 (1).
Wiguna.A.S., Kurriawan.B.P, Analisis dan Peramalan FTS terhadap Zinc-Carbon
Accumulator dan Yuasa Accumulator Model 6N4-2A-4, Jurnal SMARTICS,
Vol.2, No.2.
Yulianto. Hengki., Samsir.,Iwan. 2014. Analisis Efektivitas Metode Forecasting
Terhadap Permintaan Produk PT Arara Abadi Perawang, JOM FEKON, Vol 3
No 2.
Yusendra.M.A.E, dan Yulmaini, Kajian Penerapan Metode Peramalan Pada Ilmu
Ekonomi dan Ilmu Komputer,LP3 dan Pengabdian Kepada Masyarakat, Hal
15-16.
-
83
Zheng,F. dan S. Zhong. 2011. Time Series Forecasting Using a Hybrid RBF Neural
Network and AR Model Based on Binominal Smoothing. International Journal
of Mathematical, Computational, Physical, Electrical and Computer
Engineering, 5(3):419-423.